3D打印技術參考注意到，英偉達已經投資兩家3D打印企業，推動基于AI的3D打印質量檢測進一步發展。

2026年1月，金屬3D打印設備商Precision Additive宣布與英偉達合作，推出了首款基于AI架構的LPBF金屬3D打印機，它能夠實時監控打印過程并糾正偏差，確保每次打印結果的一致性和可重復性。

2026年2月，英偉達旗下NVentures加注投資Freeform，后者已將英偉達先進的H200 AI芯片部署到其制造中心，用來處理金屬增材制造過程中的熱力學和材料動力學數據，進而保障金屬3D打印質量。

從這兩個案例可以看出，英偉達正推動將AI技術融入3D打印質量檢測。筆者注意到，不僅僅是國外，國內也有重要進展。

金屬3D打印質量智能控制

國內案例

鉑力特于2025年推出的BLT-PrintInsight全過程智能監控系統，就融入了AI智能分析技術。它包含鋪粉在線監控和掃描過程在線監控模塊，通過多源數據，能夠自動識別缺陷，從而減少人工檢測成本。檢測到的缺陷樣本，還可以反哺給系統再訓練，從而實現模型持續迭代優化。

西空智造在該技術領域也有重要進展。2026年，該公司宣布推出新一代激光熔池強度監控系統，它能夠對打印過程進行實時監測、異常診斷及調控修復。該系統也是國內首款聲稱可以在打印過程中實時調整參數的閉環調控平臺。

中瑞科技與南方科技大學于2025年合作推出的方案，使用兩臺高精度工業相機加一臺工業投影儀，通過原位視覺識別粉末鋪展缺陷（不平整、刮痕、團聚等），該方法不僅能進行自動檢測缺陷，還可以精確定位缺陷位置。

來自中瑞科技

其他商業化的AI質量檢測工具

筆者查詢到，瑞典企業Interspectral開發了一款名為AM Explorer的軟件，它能通過AI技術進行金屬3D打印原位監測和后成型檢測。這款可視化的軟件能夠深入分析仿真數據，幫助用戶更好的控制整個增材制造流程，并獲得可靠的零件質量。

冰島初創企業Euler于2026年推出Euler Viewer，無需配置額外的數據處理模塊，它會讀取打印機已生成的層圖像并進行實時顯示。該公司提供的付費軟件，能基于采集的圖像進行自動缺陷檢測、預測性故障警報，還可以對打印過程生成可視化報告。

Phase3D推出的Fringe Qualification，使用結構光相機逐層監測熔化前后的粉末床形貌，能夠及時發現打印件與CAD模型的差異，如果存在差異，就能指導設備在對應層進行補足，這樣能避免成型后再進行后處理，從而縮短生產時間。不過，該系統并未集成AI，Phase3D也未顯示出AI的依賴度。

技術發展：多模態感知+AI分析

江蘇大學機械工程學院4月20號發表的綜述論文，系統討論了機器學習在增材制造質量監控中的應用。

該研究從對過程信息的多模態（光學/熱/聲學信號）感知講起，文中包含了基于原位測量，進行打印件缺陷（氣孔、裂紋、球化等）、性能評估、閉環控制，以及使用人工智能進行工藝參數（激光功率、掃描速度等）的優化案例。

來自西空智造

原位監測技術包括通過光、熱、聲、振動等多源信號進行的實時感知，可用于對熔池動力學、缺陷產生機理及演化規律的實時捕捉與分析，從而為早期缺陷識別、工藝參數優化和智能質量控制提供數據支撐。

但多元信號整合是很大的挑戰。而近年來的新技術，則采用了多模態感知與人工智能技術相結合，來增強智能原位監測能力。

眾多使用原位監控+機器學習提升增材制造工藝的穩定性和一致性以及成型零件質量的案例，可用下圖描述增材制造中的智能閉環控制系統架構。

來自Research progress and challenges of intelligent in situ monitoring for laser additive manufacturing processes based on machine learning

物理層對應正在進行的打印過程，產生熔池、熱場及潛在缺陷，還包括層間的鋪粉過程。感知層包括采集熔池形貌、飛濺圖像的光學相機，采集溫度場分布的紅外傳感器及采集過程噪聲與結構振動信號的聲音及振動傳感器。

之后的決策層會實時判斷當前層是否存在異常，或預測當前工藝參數下的打印質量。更進一步，決策層還可以用機器學習模型預測最優參數調整量，根據歷史工藝數據與當前打印參數輸出下一層打印的控制指令。

注：本文由3D打印技術參考創作，未經聯系授權，謝絕轉載。

歡迎轉發

1.

2.

3.

4.